工业质检如何以“智”取胜？15分钟上手工业零部件检测全流程方案 _质检

工信部联合国家发展改革委、教育部、科技部等部门发布了十四五智能制造发展规划。规划中提出：到2025年70%规模以上的制造业企业基本要实现数字化网络化，建成500个以上引领行业发展的智能制造示范工厂。
制造业离不开质检
质检需要AI智能化赋能
制造业企业生产效率、良品率、能源利用率等要明显提升。其中提到的生产效率和产品良品率是与工业质检息息相关的，而AI质检的加入也在这场智能制造发展趋势下被寄予厚望。
质检对于制造企业来说是非常重要的一个环节，眼睛里能看见的产品都是通过了质量检测。而每个产品的内部都包含了各种金属零部件，这些金属零部件也是需要质量检测的。
当然，针对这些产品的质检标准和方式在每个行业都不一样。我们今天的分享将聚焦到质检中的细分领域：金属零部件的外观质量视觉检测。
首先，大家可以看下图，来自部分用户寄来的金属零件样本：切割机压板、金属序列号。针对这些零件，工厂的诉求都是要对其外观瑕疵进行视觉检测。
那么传统常规的质检方式是怎样的呢？
方法一：人工视觉检测
依靠人工的方式存在几个问题：
方法二：传统机器视觉检测
这种方法只能解决一些特定的问题。如果是在特征装备场景比较复杂的情况下，或者金属反光零件表面检测这类情况，传统机器视觉检测的漏检率就不好控制了。而且传统视觉检测的整个部署周期比较长，成本也是很多工厂承担不起的。
在走访过的几十家工厂车间后，能够直观地了解到，每一个工厂的构建是有差异的，而且质检的内容和标准也是各不相同。如果针对每家产品成立算法团队去进行模型训练，算法工程师完全不够用，且人力成本也是一笔不小的投入。
但如果使用飞桨零门槛AI开发平台进行AI模型搭建，工厂的普通技术工人就能胜任，面向零算法基础人群、简单易上手。接下来，我们从具体几个金属零部件视觉质检案例，进一步了解AI质检。
飞桨工业质检
案例展示
金属零部件具备一些特点，比如：反光、有电镀层、正反面识别、复杂金相识别等。但这些特性在飞桨视觉检测中，恰恰不用担心。

文章插图
以下图为例，这是一家检测螺纹口的公司提供的样本。可以看到螺纹口由于磨损或润滑不够导致有拉丝或疤痕的状态。同时由于螺纹口本身尺寸不大，与一毛钱硬币相比还要小几分，因此如果通过肉眼观察，很难分辨出哪一个是合格或不合格。
螺纹口样本
根据样本特征进行采集，并使用飞桨针对零件进行AI检测模型创建，标注出哪些样本为合格，哪些是不合格。
标注瑕疵
标注后在飞桨平台进行训练并最终部署到边缘计算模块。如果出现蜂鸣和红灯提示，说明这个零件是不合格的，如果绿灯亮起，说明这个零件是合格的。
检验效果
如何建立以飞桨为核心的AI质检系统，仅需几步即可完成。首先是样本分析采集，其次是基于飞桨的深度学习模型训练，最后再到边缘计算的部署。大家可以发现，AI质检系统中不仅需要核心算法，还需要很多的硬件支撑，彼此相辅相成。接下来详析带大家拆解步骤。
第一步：样本采集
将部分模拟量转换成可以量化的数字量。比如，这些金属零件上的划痕、瑕疵，或者是零件装配上的位置信息等，都需要将这些信息采集之后传达飞桨。初始数据采集的准确性直接影响到后面模型训练的准确度。